python3 练手：爬取爱问知识人，运用sqlite3保存数据

python3 练手：爬取爱问知识人

参考地址：https://cuiqingcai.com/1972.html
获取页面：https://iask.sina.com.cn/c/74.html
分析：获取每个问题的标题及答案地址，访问答案页面获取问题具体内容，答案内容，作答者，作答时间，构造成字典形式保存进数据库
主程序：
def main():
　　datadict = get_html(url)
　　insertdata(iaskdb,datadict)
实现代码：

字典键值惟一，主键相同的，后者会覆盖前者

        for q_detail in q_items:
            #print(q_detail[0],q_detail[1])
            #self.q_url_lists.append(q_url)
            q_dict['qtitle'] = q_detail[0]
            q_dict['qurl'] = q_detail[1]
            q_index += 1
            countnum += 1
            self.q_dictlist.append(q_dict)

运行以上代码会产生相同的值导致数据库不全

修改后代码：

class IASK:
    def __init__(self):
        self.headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' }
        self.url_base = 'https://iask.sina.com.cn'
        self.q_db = iasksql.Iasksql()

    def get_html(self,url):
        try:
            myreq = urllib.request.Request(url,headers = self.headers)
            myresponse = urllib.request.urlopen(myreq)
            html = myresponse.read().decode('utf-8')
            return html
        except urllib.request.URLError as e:
            if(hasattr(e,'reason')):
                print("未连接，原因：" + e.reason)

    #获取问题页面
    def get_content(self,html):
        p_title = re.compile('.*?(.*?)',re.S)
        countnum = 0
        q_items = []
        q_items = re.findall(p_title,html)
        return q_items

    def start(self):
        url_download = 'https://iask.sina.com.cn/c/74.html'
        html = self.get_html(url_download)
        onepagedata = self.get_content(html)
        q_dict = {}
        for qq_dict in onepagedata:
            q_dict['url'] = qq_dict[0]
            q_dict['title'] = qq_dict[1]
            self.q_db.insertdata(q_dict)
        self.q_db.showdb()
        self.q_db.closecur()

spider = IASK()
spider.start()

只输出title及url，结果如下图：